Attenzione: questa pagina è una traduzione automatica di questa pagina originariamente in lingua inglese. Si prega di notare in quanto le traduzioni sono generate da macchine, non tutte le traduzioni saranno perfetti. Questo sito web e le sue pagine web sono destinati ad essere letto in inglese. Ogni traduzione del sito e le sue pagine web possono essere imprecise e inesatte, in tutto o in parte. Questa traduzione è fornita per comodità.

L'algoritmo di intelligenza artificiale può identificare i pazienti ad ad alto rischio di autolesionismo intenzionale

Secondo le fondamenta americane per la prevenzione di suicidio, il suicidio è la decima causa della morte principale negli Stati Uniti, con oltre 1,4 milione tentativi di suicidio registrati nel 2018.

Sebbene gli efficaci trattamenti siano disponibili per quelli al rischio, i clinici non hanno un modo affidabile di predizione quali pazienti sono probabili fare un tentativo di suicidio.

I ricercatori all'università di Carolina del Sud medica ed all'università di Florida del sud riferiscono in informatica medica di JMIR che hanno intrapreso le azione importanti verso affrontare il problema creando un algoritmo di intelligenza artificiale che può identificare automaticamente i pazienti ad ad alto rischio di autolesionismo intenzionale, in base alle informazioni nelle note cliniche nella cartella medica elettronica.

Lo studio piombo da Jihad Obeid, M.D., co-direttore del centro biomedico dell'informatica di MUSC e Brian Bunnell, Ph.D., precedentemente a MUSC e corrente ad un assistente universitario nel dipartimento della psichiatria e delle neuroscienze comportamentistiche all'università di Florida del sud.

Il gruppo ha usato le reti neurali artificiali complesse, un modulo di intelligenza artificiale anche conosciuto come in profondità imparando, analizzare i dati non strutturati e testuali nella cartella medica elettronica. I metodi d'apprendimento profondi usano progressivamente i livelli di reti artificiali per estrarre le più alte informazioni dai dati di input da rivedere.

Il gruppo ha indicato che questi modelli, una volta che preparati, potrebbero identificare i pazienti a rischio di autolesionismo intenzionale.

Questo genere di lavoro è importante perché fa leva le ultime tecnologie per affrontare un problema importante come il suicidio ed identifica i pazienti al rischio in moda da poterli essere essi gestione appropriata riferita a.„

Jihad Obeid, MD, co-direttore del centro biomedico di informatica di MUSC e Brian Bunnell, assistente universitario, dipartimento di psichiatria e neuroscienze comportamentistiche, università di Florida del sud

Finora, i ricercatori soprattutto hanno contato sui dati strutturati nella cartella medica elettronica per l'identificazione e la previsione dei pazienti al rischio. I dati strutturati si riferiscono alle informazioni tabulate che sono state inserite nei campi designati nella cartella medica elettronica come componente di cura clinica.

Per esempio, quando i medici diagnosticano i pazienti e definiscono la classificazione internazionale dei codici di malattia (ICD), stanno creando i dati strutturati. Questo ordinamento dei dati tabulati e strutturati è facile affinchè i programmi informatici analizzi.

Tuttavia, 80% - 90% delle informazioni pertinenti nella cartella medica elettronica sono bloccati nel formato di testo. Cioè le note cliniche, le relazioni sullo stato di avanzamento, le note di pianificazione-de-cura ed altri testi narrativi nella cartella medica elettronica rappresentano una risorsa non sfruttata enorme per la ricerca.

Lo studio di Obeid è unico perché usa le note cliniche “colte„ neurali profonde delle reti nella cartella medica elettronica ed identifica e predice i pazienti a rischio di autolesionismo.

Dopo esame e approvazione regolatore dell'etica della ricerca proposta dal comitato d'esame istituzionale a MUSC, Obeid ha cominciato identificando le registrazioni pazienti connesse con i codici di ICD indicativi di autolesionismo intenzionale nella ricerca data warehouse di MUSC.

Quel magazzino, che è stato creato con supporto dall'istituto di ricerca clinico & di traduzione di Carolina del Sud, fornisce ai ricercatori di MUSC accede a ai dati elettronici pazienti della cartella medica, se hanno ottenuto le autorizzazioni necessarie.

Per simulare uno scenario nell'ambiente, Obeid ed il suo gruppo hanno diviso le registrazioni cliniche in due categorie di volta: 2012 - 2017 registrazioni che sono state usate per la formazione dei modelli e 2018-2019 registrazioni che sono state usate per verificare i modelli preparati. In primo luogo, hanno esaminato le note cliniche catturate durante la visita dell'ospedale in cui il codice di ICD è stato definito.

Facendo uso del quel come l'insieme di dati di addestramento, i modelli “hanno imparato„ che i reticoli del linguaggio nelle note cliniche delle cartelle sanitarie elettroniche dei pazienti sono stati associati con l'assegnazione di un codice di ICD di autolesionismo intenzionale. Una volta che i modelli fossero preparati, potrebbero identificare quei pazienti basati solamente sulla loro analisi di testo nelle note cliniche, con un'accuratezza di 98,5%. Gli esperti hanno esaminato manualmente un sottoinsieme delle registrazioni per confermare l'accuratezza del modello.

Dopo, il gruppo ha provato se il più accurato dei modelli potrebbe utilizzare le note cliniche nella cartella medica elettronica per predire l'autolesionismo futuro.

A questo scopo, il gruppo di Obeid ha identificato le registrazioni dei pazienti che avevano presentato con autolesionismo intenzionale ed avevano preparato il modello facendo uso delle loro note cliniche fra sei mesi - un mese prima della visita intenzionale dell'ospedale di autolesionismo.

Poi hanno provato se i modelli preparati potrebbero predire correttamente se questi pazienti più successivamente presentassero con autolesionismo intenzionale.

L'autolesionismo futuro di predizione basato solamente sulle note cliniche è risultato essere più provocatorio dell'identificando i pazienti a rischio correnti dovuto “il disturbo„ extra che è introdotto quando i grandi importi di cronologia paziente sono inclusi nel modello.

Le note cliniche storiche tendono ad essere variate e non sempre pertinente. Per esempio, se un paziente fosse veduto per la depressione o altre emissioni di salute mentale sei mesi prima della sua visita dell'ospedale per autolesionismo intenzionale, quindi le note cliniche erano probabile comprendere il dato valido.

Tuttavia, se il paziente entrasse per una circostanza indipendente dalla salute mentale, quindi le note erano meno probabile comprendere il dato valido.

Mentre l'inclusione di informazioni irrilevanti introduce molto disturbo nell'analisi di dati, tutte questi informazioni devono essere incluse attraverso i pazienti nei modelli predire i risultati. Di conseguenza, il modello era meno accurato a predire quali pazienti più successivamente avrebbero presentato per autolesionismo intenzionale che semplicemente classificando i pazienti correnti per il rischio di suicidio.

Ciò nonostante, l'accuratezza premonitrice di questo modello era molto non Xerox con quella precedentemente riferita per i modelli che hanno contato sui dati strutturati, raggiungenti un'accuratezza di quasi 80% con la sensibilità e la precisione relativamente alte.

Il gruppo di Obeid ha indicato la possibilità di usando i modelli in profondità d'apprendimento per identificare i pazienti a rischio di autolesionismo intenzionale basato sulle note cliniche da solo. Lo studio egualmente ha indicato che i modelli possono essere usati per predire, con la fedeltà equo buona, quali pazienti presenteranno in futuro per autolesionismo intenzionale basato sulle note cliniche nella loro cartella medica elettronica.

Questi risultati iniziali stanno promettendo e potrebbero avere grandi impatti al livello clinico. Se i modelli d'apprendimento profondi possono essere usati per predire quali pazienti sono ad ad alto rischio per il suicidio basato sulle note cliniche, quindi i clinici possono fare riferimento presto i pazienti ad alto rischio per il trattamento appropriato.

Facendo uso di questi modelli per classificare i pazienti come a rischio di autolesionismo potrebbe anche facilitare l'iscrizione negli studi e nelle prove clinici di nuovi trattamenti potenziali relativi al suicidio.

Negli studi futuri, Obeid mira a valutare i cambiamenti nella finestra premonitrice di tempo per i suoi modelli, per esempio, esaminanti le registrazioni un anno prima della presentazione di un paziente per autolesionismo intenzionale invece di sei mesi.

Il gruppo egualmente intende esaminare altri risultati quali il suicidio o l'ideazione suicida. E mentre i modelli funzionano bene a MUSC, Obeid deve ora indicare che possono essere generalizzati ad altre istituzioni.

“Possono i modelli essere preparati in una posizione ed essere trasferiti ad un'altra posizione ed ancora lavorare?„ Obeid chiesto. “Se la risposta è sì, quindi questa salva le risorse critiche perché altre istituzioni non dovranno eseguire gli esami manuali costosi e che richiede tempo del diagramma per confermare che i modelli stanno ottenendolo giusto durante i periodi di addestramento.„

Source:
Journal reference:

Obeid, J. S., et al. (2020) Identifying and Predicting Intentional Self-Harm in Electronic Health Record Clinical Notes: Deep Learning Approach. JMIR Medical Informatics.
doi.org/10.2196/17784.